一种改善氨氮震动冲击的有效控制方法

针对污水生化处理厂的操作,尤其是氨氮浓度波动大时的控制问题,提出了一种控制返回污泥到某些活性污泥反应器流量比率的方法.控制氨氮浓度在约束限内是一个困难的问题.当来水中氨氮浓度震动较大时,把总返回污泥流量中的一部分分步导向反应器,以此增加生物量,提高了氨氮的生化降解能力.通过在国际水协会的Bench-mark上评价所建议的控制方案表明,瞬时氨氮浓度值违反约束条件的时间有明显的降低,一些质量指标得到改善.     

基于CNN-ABC-BiGRU的火电厂数据分析与应用研究

在大数据环境下,现代企业生产数据的挖掘与利用对提升企业经济效益与提质增效尤为重要。目前企业工艺数据的利用与维护,多依赖专家经验与传统数据分析方法,针对这些企业数据处理与分析存在的局限性和共性问题,以大数据环境下火电厂锅炉系统运行状态预测为例,提出了一种基于Hadoop框架的卷积神经网络（Convolutional Neural Networks,CNN）-人工蜂群算法（Artificial Bee Colony,ABC）-双向门控循环网络（Bidirectional Gate Recurrent Unit,BiGRU）模型的主蒸汽流量预测方法。基于分布式预测模型对辽宁某电厂监测数据进行分析,结果表明,在预测波动较大的主蒸汽流量时,该方法在提升速度的同时,相较于传统BP、LSTM、GRU、BiGRU、CNN-BiGRU等模型,MAE值分别降低了61.188%、51.348%、46.342%、38.005%和20.560%,预测精度有所提高。     

质子交换膜燃料电池故障检测研究

针对质子交换膜燃料电池(PEMFC)发电系统的故障检测和系统稳定性问题,结合其多传感器特性,采用基于实时PCA的质子交换膜燃料电池故障检测方法,根据燃料电池反应信号数据建立PCA模型,通过窗口过滤方式和遗忘因子算法实时更新模型,并将降维后获得的数据用统计方法进行处理,从而检测出故障。有效地简化了燃料电池系统故障检测的过程,改善了故障检测的实时性,提高了燃料电池系统工作的稳定性和可靠性。     

在线分析仪表在发酵工程中的应用

介绍了ＰＨ、溶解氧、红外线本分析仪等在线分析仪表在发酵工业过程中的应用,对有关在线分析仪表的安装调校、维护使用作了必要的说明,对利用在线分析信息构成生化过程高级控制系统进行了尝试。     

爪形大分子CDC-SO的研究

选用一缩二乙二醇、柠檬酸、硬脂酸和十八醇为原料,利用酯化反应设计并合成了新的低温流动改性剂:一缩二乙二醇-柠檬酸-硬脂酸-十八醇(CDC-SO).通过单因素试验和正交试验得到了制备CDC-SO的最适宜工艺条件:n(CDC):,n(硬脂酸)为1:1.00;n(CDC-S):n(十八醇)为1:4.0;催化剂用量(以总原料的...     

沈阳市加油站汽油油气损失模型的建立和损失计算

作者根据沈阳市特有的气候因素,以及加油站储油环境,从流体的pVT关系出发,采用自制油气挥发实验装置,研究了温度、压力、排气体积等因素对加油站卧式储罐油气挥发损失的影响.建立了适用于本地区的油气损失模型m<,油=11.533pT/T-10.974(p<,0>V<,0>/T<,0>,验证实验表明计算误差小于10%,在允许范...     

基于Bi-LSTM-Attention的公交车头时距预测模型

公交车头时距预测作为公交车调度决策系统的重要依据,可以帮助公交公司及时发现交通拥堵,做出合理的调度决策.然而,现有的研究仅限于传统的预测方法,缺乏综合多种影响因素预测车头时距波动.为解决这个问题,本研究采用一种基于公交智能卡数据的双向长短时神经网络-注意力机制(Bi-LSTM-Attention)预测框架.该模型将注意力机制融入双向长短时记忆网络中,利用历史公交车头时距、公交运行时间、停靠时间预测每个站点的公交车头时距波动.通过某市两条公交线路实例对该模型进行验证.实验结果表明：与已有算法相比,Bi-LSTM-Attention在单步和多步预测中均表现出更高的准确度,可以为公交动态调度提供理论支持.     

电厂化学水处理控制系统中 PLC 控制系统设计与预测控制研究

采用 PLC 与工业控制计算机共同构成控制系统的方法,解决了化学水处理控制系统自动化程度低的问题.实际运行表明,化学水处理过程可通过 PLC 控制系统进行有效的自动监控.针对再生后出水中磷酸盐含量过高问题,本文首先在 Matlab/simulink 环境下,对化学水处理系统进行建模仿真,其次本文采用模型预测控制算法,对出水磷酸盐浓度进行控制,并与传统 PID 算法进行对比,仿真结果证明模型预测控制(Model Predictive Control,MPC)算法控制效果优于传统 PID,使出水磷酸盐达到了工艺出水水质要求.     

基于残差网络和深度学习的入侵检测方法研究

针对工业互联网攻击流量特征复杂以及深层神经网络易发生退化的问题,提出了一种基于残差网络和深度学习的入侵检测方法,实现了将一维卷积神经网络与门控循环单元残差连接的网络模型。使用CSE-CIC-IDS2018数据集和密西西比州大学的天然气管道数据集进行实验,结果表明,此方法在各个评价指标上均优于其他经典机器学习算法,具有较好检测性能和泛化能力,证明了其在工业网络环境中的可靠性及应用价值。     

基于ConvLSTM-GRU的公交客流量预测模型

公共交通在城市智能交通系统中发挥着重要的作用,准确的公交客流量预测对智能交通的发展至关重要。为了提高公交客流量预测的准确度,提出一种基于卷积长短期记忆(convolutionallongshort-termmemory,ConvLSTM)网络和门控循环单元(gaterecurrent unit, GRU)算法的预测模型Conv LSTM-GRU,结合公交车客流量、天气特征和气温特征以及节假日特征来预测未来的公交客流量。通过提取不同时段公交客流量之间的相关性并采用编码器-解码器结构来减少递归多步预测中的累积误差,提高了预测精度。最后,将ConvLSTM-GRU模型与反向传播(back propagation, BP)神经网络、长短期神经网络、门控循环单元结构、卷积长短期神经网络和自回归网络5种算法进行比较,结果表明所提模型在预测准确度方面均优于对比算法。